本發(fā)明涉及一種具有自學(xué)習(xí)功能的貝葉斯網(wǎng)絡(luò)平臺，包括處理樣本數(shù)據(jù)集，運(yùn)用netica基礎(chǔ)函數(shù)開發(fā)結(jié)構(gòu)學(xué)習(xí)模塊和參數(shù)學(xué)習(xí)模塊，構(gòu)建自學(xué)習(xí)樣本數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)。同時，開發(fā)概率推理模塊和證據(jù)敏感性分析模塊評估所建網(wǎng)絡(luò)的有效性。屬于工程應(yīng)用領(lǐng)域。

背景技術(shù)：

貝葉斯網(wǎng)絡(luò)是表示變量間概率相關(guān)性關(guān)系的圖模型，是不確定知識表達(dá)和推理領(lǐng)域最有效的理論模型之一，已被廣泛地用于診斷、預(yù)測、風(fēng)險管理、模擬生態(tài)系統(tǒng)、傳感器融合等領(lǐng)域，效果良好。目前有很多軟件平臺可以構(gòu)建貝葉斯網(wǎng)絡(luò)，常用的是基于matlab語言開發(fā)的貝葉斯網(wǎng)絡(luò)工具箱bntoolbox。該工具箱提供了許多貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的底層基礎(chǔ)函數(shù)庫，但是沒有將貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的基本函數(shù)集成為系統(tǒng)。同時，bntoolbox沒有圖形用戶界面(gui)，使用不方便，不利于推廣。

netica是用java開發(fā)的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)軟件。但是基于netica采用專家知識方法構(gòu)建的貝葉斯網(wǎng)絡(luò)，要求使用者具有較強(qiáng)的專業(yè)背景，采用netica軟件擬合樣本數(shù)據(jù)，得到貝葉斯網(wǎng)絡(luò)模型各個節(jié)點(diǎn)間的條件概率分布，是針對特定目標(biāo)設(shè)定的，不能滿足不同研究的需求。本發(fā)明采用相關(guān)領(lǐng)域的樣本數(shù)據(jù)，基于netica軟件開發(fā)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)模塊，給出通用的自學(xué)習(xí)貝葉斯網(wǎng)絡(luò)構(gòu)建方法，并通過概率推理和證據(jù)敏感性分析進(jìn)行驗(yàn)證，拓寬了貝葉斯網(wǎng)絡(luò)的應(yīng)用普適性。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明的目的是提供具有自學(xué)習(xí)功能的貝葉斯網(wǎng)絡(luò)平臺。包括處理樣本數(shù)據(jù)集，運(yùn)用netica基礎(chǔ)函數(shù)開發(fā)結(jié)構(gòu)學(xué)習(xí)模塊和參數(shù)學(xué)習(xí)模塊，構(gòu)建自學(xué)習(xí)樣本數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)。同時，開發(fā)概率推理模塊和證據(jù)敏感性分析模塊以評估所建網(wǎng)絡(luò)的有效性?？朔素惾~斯網(wǎng)絡(luò)構(gòu)建時參數(shù)與結(jié)構(gòu)的難以自適應(yīng)調(diào)整的問題，實(shí)現(xiàn)了不確定性推理，滿足不同研究的需求，拓寬了應(yīng)用普適性。

為實(shí)現(xiàn)上述目的，本發(fā)明采取以下工程應(yīng)用平臺：

(1)自學(xué)習(xí)貝葉斯網(wǎng)絡(luò)是在netica提供的函數(shù)基礎(chǔ)上構(gòu)建，包括：數(shù)據(jù)處理、定義節(jié)點(diǎn)變量、網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)、網(wǎng)絡(luò)參數(shù)學(xué)習(xí)，其中學(xué)習(xí)過程為交叉進(jìn)行。其中樣本數(shù)據(jù)預(yù)處理包括狀態(tài)變量的定義、連續(xù)變量的離散化、格式化處理等。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法分為基于打分--搜索的學(xué)習(xí)方法和基于依賴分析的學(xué)習(xí)方法，以及以上兩種方法的結(jié)合。參數(shù)學(xué)習(xí)方法是在已知網(wǎng)絡(luò)結(jié)構(gòu)的條件下，用樣本數(shù)據(jù)集來學(xué)習(xí)節(jié)點(diǎn)的cpt。

(2)概率推理是在貝葉斯網(wǎng)絡(luò)模型給定的情況下，根據(jù)已知證據(jù)節(jié)點(diǎn)變量的概率分布，利用條件概率的計算方法，計算出所感興趣的查詢結(jié)點(diǎn)變量發(fā)生的概率。

(3)證據(jù)敏感性分析是分析貝葉斯網(wǎng)絡(luò)中查詢節(jié)點(diǎn)概率對證據(jù)節(jié)點(diǎn)概率變化的敏感程度。

本發(fā)明由于采取以上工程應(yīng)用平臺，其具有以下優(yōu)點(diǎn)：

1、操作方便靈活：具有友好的gui視窗界面，支持?jǐn)?shù)據(jù)庫鏈接，可以直接鏈接到windows、unix等大多數(shù)的數(shù)據(jù)庫軟件；

2、應(yīng)用普適性：系統(tǒng)開放，可以嵌入新算法來進(jìn)行各種不確定性推理；

3、高效：使用嚴(yán)格的數(shù)學(xué)方式來模型化研究對象，具有很高的計算效率和很強(qiáng)的適應(yīng)性。

附圖說明

圖1是電網(wǎng)短路故障診斷的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)。

圖2是電網(wǎng)短路故障診斷的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)結(jié)構(gòu)。

圖3是證據(jù)變量為“l(fā)inebreakage”的短路故障預(yù)測。

圖4是證據(jù)變量為“l(fā)inebreakage”和“insulatorbreakdown”的短路故障預(yù)測。

圖5是證據(jù)變量為“短路故障”時的后驗(yàn)概率。

圖6是證據(jù)變量為“短路故障”和“單相接地短路”時的后驗(yàn)概率

具體實(shí)施方式

為了更好地介紹本發(fā)明的工程應(yīng)用平臺及所要實(shí)現(xiàn)的功能，下面結(jié)合具體圖表，進(jìn)一步闡述本發(fā)明。

一種具有自學(xué)習(xí)功能的貝葉斯網(wǎng)絡(luò)平臺，工程應(yīng)用平臺包括數(shù)據(jù)預(yù)處理模塊(1)、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)學(xué)習(xí)模塊(2)、網(wǎng)絡(luò)參數(shù)學(xué)習(xí)模塊(3)、概率推理模塊(4)和證據(jù)敏感性分析模塊(5)；所述數(shù)據(jù)預(yù)處理模塊(1)包括選定節(jié)點(diǎn)變量，確定節(jié)點(diǎn)狀態(tài)；所述結(jié)構(gòu)學(xué)習(xí)模塊(2)包括新建貝葉斯網(wǎng)絡(luò)窗口，調(diào)用樣本數(shù)據(jù)集，執(zhí)行結(jié)構(gòu)學(xué)習(xí)模塊，創(chuàng)建網(wǎng)絡(luò)結(jié)構(gòu)；所述參數(shù)學(xué)習(xí)模塊(3)包括調(diào)用樣本數(shù)據(jù)，執(zhí)行參數(shù)學(xué)習(xí)功能；所述概率推理模塊(4)包括因果推理，診斷推理和支持推理；所述證據(jù)敏感性分析模塊(5)包括以測試敏感性的證據(jù)節(jié)點(diǎn)為條件，計算查詢節(jié)點(diǎn)的指標(biāo)；其中數(shù)據(jù)預(yù)處理模塊、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)學(xué)習(xí)模塊和網(wǎng)絡(luò)參數(shù)學(xué)習(xí)模塊構(gòu)建自學(xué)習(xí)樣本數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)，概率推理模塊和證據(jù)敏感性分析模塊評估所建網(wǎng)絡(luò)的有效性。

實(shí)施例一：

電網(wǎng)三相交流線路發(fā)生的各種短路中，單相接地短路所占的比例最高，約為65％；兩相接地短路約占20％；兩相短路約占10％，三相短路最小，約占5％。單相接地短路故障中，導(dǎo)線斷線、絕緣子擊穿和樹木短接三種原因占總故障原因的80％，分別約為30％、30％、20％，其它原因只占20％。

圖1為網(wǎng)絡(luò)結(jié)構(gòu)。調(diào)用表1的樣本數(shù)據(jù)集，執(zhí)行網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)模塊功能，創(chuàng)建網(wǎng)絡(luò)結(jié)構(gòu)，然后進(jìn)一步定義節(jié)點(diǎn)屬性，包括：名稱，標(biāo)題，類型，離散和連續(xù)屬性，狀態(tài)數(shù)，狀態(tài)值和相關(guān)說明等。

表1樣本數(shù)據(jù)集

圖2為定義了cpt的貝葉斯網(wǎng)絡(luò)。調(diào)用表1樣本數(shù)據(jù)，執(zhí)行參數(shù)學(xué)習(xí)功能，學(xué)習(xí)后且賦予cpt的貝葉斯網(wǎng)絡(luò)，其信度柵變化。

實(shí)施例二：

圖3為預(yù)測分析，在貝葉斯網(wǎng)絡(luò)中將“l(fā)inebreakage”變量狀態(tài)設(shè)置成present＝100％狀態(tài)，表示證據(jù)變量的已知狀態(tài)，自動更新功能自動更新整個網(wǎng)絡(luò)的概率。此時單相接地短路(1-phaseground)出現(xiàn)(present)的概率由50.7％變成64.2％，發(fā)生短路故障(shortcircuit)出現(xiàn)(present)的概率由52.9％變成61.7％，可見導(dǎo)線斷線后，發(fā)生短路故障概率提高了。

圖4為導(dǎo)線斷線和絕緣子擊穿(insulatorbreakdown)同時發(fā)生，將證據(jù)節(jié)點(diǎn)“insulatorbreakdown”變量狀態(tài)設(shè)置成present＝100％狀態(tài)，利用自動更新功能更新整個網(wǎng)絡(luò)的概率。此時單相接地短路(1-phaseground)出現(xiàn)(present)的概率由64.2％變成82.3％，發(fā)生短路故障(shortcircuit)出現(xiàn)(present)的概率由61.7％變成73.5％，發(fā)生短路故障的概率更高了。

圖5為以短路故障為例的原因診斷，證據(jù)變量“shortcircuit”的狀態(tài)概率為present＝100％。輸入證據(jù)之后，通過概率自動更新，則“1-phaseground”present的概率由50.7％提高至81.7％，“2-phaseground”present的概率由52.4％提高至62.7％，“2-pshortcircuit”present的概率由51.2％提高至59.2％，“3-pshortcircuit”present的概率由55％提高至58％。

圖6為支持解釋，在圖5中，如果有證據(jù)表明，單相接地短路“1-phaseground”發(fā)生，則在圖6中兩相接地短路“2-phaseground”present的概率由62.7％下降至58.8％，兩相短路“2-pshortcircuit”、三相短路“3-pshortcircuit”的概率也降低了。導(dǎo)致結(jié)果的原因已經(jīng)被證據(jù)“1-phase-ground”所解釋，其他原因的可能性自然會降低。

實(shí)施例三：

表2所示，根據(jù)圖2所示的貝葉斯網(wǎng)絡(luò)為平臺，以“短路故障”為查詢節(jié)點(diǎn)的敏感性分析。

表2以“短路故障”為查詢節(jié)點(diǎn)的證據(jù)敏感性分析

表2中每一行表示，如果得到第1列中的節(jié)點(diǎn)證據(jù)，那么第3列、第4列和第5列是short-c＝present情況下的最小、當(dāng)前和最大后驗(yàn)概率；第6列和第7列是熵減的絕對值和百分比；第8列是方差。

由表2可知，對短路故障有影響力的節(jié)點(diǎn)是其父節(jié)點(diǎn)和子節(jié)點(diǎn)。而且，最有可能對短路故障信度產(chǎn)生最大影響的證據(jù)列在最前面。